[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN118781128A - 一种基于图像处理的针织品缺陷检测方法及系统 - Google Patents

一种基于图像处理的针织品缺陷检测方法及系统 Download PDF

Info

Publication number
CN118781128A
CN118781128A CN202411282313.0A CN202411282313A CN118781128A CN 118781128 A CN118781128 A CN 118781128A CN 202411282313 A CN202411282313 A CN 202411282313A CN 118781128 A CN118781128 A CN 118781128A
Authority
CN
China
Prior art keywords
histogram
image
knitwear
features
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202411282313.0A
Other languages
English (en)
Other versions
CN118781128B (zh
Inventor
茅国英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaoxing Buji Knitting Co ltd
Original Assignee
Shaoxing Buji Knitting Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shaoxing Buji Knitting Co ltd filed Critical Shaoxing Buji Knitting Co ltd
Priority to CN202411282313.0A priority Critical patent/CN118781128B/zh
Publication of CN118781128A publication Critical patent/CN118781128A/zh
Application granted granted Critical
Publication of CN118781128B publication Critical patent/CN118781128B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于图像处理的针织品缺陷检测方法及系统，涉及图像处理技术领域，方法包括：获取针织品图像；对针织品图像进行增强处理；提取增强处理后的针织品图像的多种图像特征；对图像特征进行筛选，从多种图像特征中筛选出最佳特征组合；通过神经网络，提取增强处理后的针织品图像的深度特征；对最佳特征组合中的图像特征以及通过神经网络提取的深度特征进行融合处理，得到融合特征图；根据融合特征图，检测针织品图像中的缺陷区域。本发明可以提升特征提取的广泛性与准确性，增强对于微小尺度的缺陷特征提取能力，提升微小尺度的缺陷的检测准确性。

Description

一种基于图像处理的针织品缺陷检测方法及系统
技术领域
本发明涉及图像处理技术领域，特别是指一种基于图像处理的针织品缺陷检测方法及系统。
背景技术
由于纱线质量、设备老化、工艺不当以及环境变化等因素，针织品在加工过程中会形成各种缺陷。对针织品缺陷的检测不仅是保证产品质量的关键步骤，还能提高生产效率、降低成本、增强市场竞争力，并支持企业迈向智能制造的方向。因此，实施有效的缺陷检测机制对针织品生产企业具有深远的战略意义。
随着模式识别、机器视觉、深度学习等技术的迅速发展，以及对于针织品缺陷检测的迫切需要，越来越多的现代化技术被应用到针织品缺陷检测中。例如，当前比较热门的U-Net网络。U-Net网络以其高效的卷积架构和创新的跳跃连接，已经成为图像分割领域的经典模型之一。其对细节的保留和精确的分割能力使得它在针织品缺陷检测中具有巨大的应用潜力，能够满足行业对高精度、实时性和高效数据利用的需求。
然而，U-Net网络在针织品缺陷实际检测中也存在一些局限性。尽管U-Net通过跳跃连接保留了低层次的细节信息，但对于非常小的目标或细微的结构，在下采样过程中仍然容易丢失，无法精确捕捉，导致对于微小尺度的缺陷特征提取能力较弱，难以准确检测出微小尺度的缺陷，容易发生错检、漏检。
发明内容
为了解决当前技术的对于非常小的目标或细微的结构，在下采样过程中仍然容易丢失，无法精确捕捉，导致对于微小尺度的缺陷特征提取能力较弱，难以准确检测出微小尺度的缺陷，容易发生错检、漏检的技术问题，本发明提供了一种基于图像处理的针织品缺陷检测方法及系统。
本发明实施例提供的技术方案如下：
第一方面：
本发明实施例提供的一种基于图像处理的针织品缺陷检测方法，包括：
S1：获取针织品图像；
S2：对所述针织品图像进行增强处理；
S3：提取增强处理后的针织品图像的多种图像特征；
S4：对所述图像特征进行筛选，从多种所述图像特征中筛选出最佳特征组合；
S5：通过神经网络，提取增强处理后的针织品图像的深度特征；
S6：对最佳特征组合中的图像特征以及通过神经网络提取的深度特征进行融合处理，得到融合特征图；
S7：根据所述融合特征图，检测所述针织品图像中的缺陷区域。
第二方面：
本发明实施例提供的一种基于图像处理的针织品缺陷检测系统，包括：
处理器；
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如第一方面所述的基于图像处理的针织品缺陷检测方法。
第三方面：
本发明实施例提供的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的基于图像处理的针织品缺陷检测方法。
本发明实施例提供的技术方案带来的有益效果至少包括：
在本发明中，首先对针织品图像进行增强处理，增强微小尺度缺陷的辨识度，之后将针织品图像宏观尺度的图像特征与神经网络提取的深度特征进行融合处理，提升特征提取的广泛性与准确性，增强对于微小尺度的缺陷特征提取能力，提升微小尺度的缺陷的检测准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于图像处理的针织品缺陷检测方法的流程示意图；
图2为本发明实施例提供的一种基于图像处理的针织品缺陷检测方法的结构示意图；
图3为本发明实施例提供的一种直方图剪裁示意图；
图4为本发明实施例提供的一种基于图像处理的针织品缺陷检测系统的结构示意图。
具体实施方式
下面结合附图，对本发明中的技术方案进行描述。
在本发明实施例中，“示例地”、“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用示例的一词旨在以具体方式呈现概念。此外，在本发明实施例中，“和/或”所表达的含义可以是两者都有，或者可以是两者任选其一。
本发明实施例中，“图像”，“图片”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是一致的。“的(of)”，“相应的（corresponding，relevant）”和“对应的(corresponding)”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是一致的。
本发明实施例中，有时候下标如W1可能会笔误为非下标的形式如W1，在不强调其区别时，其所要表达的含义是一致的。
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
参考说明书附图1，示出了本发明实施例提供的一种基于图像处理的针织品缺陷检测方法的流程示意图。
参考说明书附图2，示出了本发明实施例提供的一种基于图像处理的针织品缺陷检测方法的结构示意图。
本发明实施例提供了一种基于图像处理的针织品缺陷检测方法，该方法可由基于图像处理的针织品缺陷检测设备实现，该基于图像处理的针织品缺陷检测设备可以是终端或服务器。基于图像处理的针织品缺陷检测方法的处理流程可以包括如下的步骤：
S1：获取针织品图像。
可选地，可以通过摄像机拍摄针织品图像。
S2：对针织品图像进行增强处理。
在一种可能的实施方式中，S2具体包括子步骤S201至S206：
S201：获取针织品图像的原始直方图。
S202：以原始直方图中的平均灰度值作为分割点，将原始直方图分割为低子直方图与高子直方图。
需要说明的是，通过对原始图像的直方图进行分割，并对低子直方图和高子直方图分别进行处理，可以在图像的暗部和亮部区域分别提升对比度。这种处理方式能够更好地拉伸灰度级分布，使得原本可能难以分辨的细节变得更加清晰。
可选地，平均灰度值具体为：
其中，SP表示原始直方图中的平均灰度值，l k 表示第k个灰度级，n k 表示第k个灰度级的像素数量，N表示图像总像素数量，L表示总灰度级。
S203：为低子直方图以及高子直方图各设置三个限制线：
其中，PL 1表示低子直方图的第一限制线，PL 2表示低子直方图的第二限制线，PL 3表示低子直方图的第三限制线，GR L1表示低子直方图的第一灰度级比率，GR L2表示低子直方图的第二灰度级比率，GR L3表示低子直方图的第三灰度级比率，D L 表示低子直方图中的灰度级比率差异， SP L 表示低子直方图中的平均灰度值，L min表示原始直方图中的最小灰度值，PH 1表示高子直方图的第一限制线，PH 2表示高子直方图的第二限制线，PH 3表示高子直方图的第三限制线，GR H1表示高子直方图的第一灰度级比率，GR H2表示高子直方图的第二灰度级比率，GR H3表示高子直方图的第三灰度级比率，D H 表示高子直方图中的灰度级比率差异，SP H 表示高子直方图中的平均灰度值，L max表示原始直方图中的最大灰度值。
需要说明的是，限制线的主要作用是通过对直方图进行特定的剪裁和重分布，控制图像增强过程中灰度值的分布，防止图像出现过度饱和或对比度过高的问题，从而达到更均衡的增强效果。
参考说明书附图3，示出了本发明实施例提供的一种直方图剪裁示意图。
S204：根据限制线，对低子直方图以及高子直方图进行剪裁处理，将低于或等于第一限制线的部分剪裁到第一限制线上，将第一限制线与第三限制线之间的部分剪裁到第二限制线上，将大于或等于第三限制线的部分剪裁到第三限制线上。
需要说明的是，通过设定限制线并对直方图进行剪裁，可以防止灰度级过度集中在某些特定范围，避免图像在增强过程中出现过度饱和现象。这样可以避免图像部分区域因亮度过高或过低而丧失信息，保证增强处理后的图像质量。
S205：计算剪裁处理后的低子直方图以及高子直方图的累积密度函数。
其中，累积密度函数（CDF）是概率论和统计学中的一个重要概念，用于描述随机变量取值的概率分布情况。通过计算每个灰度级的累积概率，并根据这些累积概率重新分配灰度值，CDF能够有效地增强图像对比度，改善图像质量，使得细节更加突出。
S206：根据剪裁处理后的低子直方图以及高子直方图的累积密度函数，对针织品图像进行增强处理。
需要说明的是，通过引入分段的累积密度函数，对不同灰度级范围内的像素进行非线性调整，可以更好地保留和增强图像中的细节信息，特别是针织品表面可能存在的微小缺陷。这对于检测针织品中的微小缺陷至关重要，因为这些缺陷往往隐藏在灰度级分布较为集中的区域。
可选地，S206具体为：根据以下公式，对针织品图像进行增强处理：
其中，T(k)表示经过增强处理后第k个灰度级的灰度值，CDF L 表示低子直方图的累积密度函数，CDF L (k)表示低子直方图的第k个灰度级的累积密度，CDF H 表示高子直方图的累积密度函数，CDF H (k)表示高子直方图的第k个灰度级的累积密度，l min表示最小灰度值，l max表示最大灰度值。
在本发明中，经过增强处理后，针织品图像的对比度和细节都得到了改善，这使得后续的图像处理步骤（如分割、分类、识别）能够在更优的图像基础上进行，从而降低了处理难度，提高了算法的鲁棒性和可靠性。
S3：提取增强处理后的针织品图像的多种图像特征。
可选地，图像特征包括：连接特征、统计特征、分布特征、形状特征、HOG特征以及LGP特征。
可选地，连接特征用于描述图像中像素之间的连接关系或区域之间的连通性。
可选地，统计特征基于图像的像素值统计信息提取的特征。统计特征包括方差、平均值、峰度。
可选地，分布特征描述图像中像素值的分布模式。分布特征包括灰度直方图，通过灰度直方图确定图像的灰度分布。
可选地，形状特征用于描述图像中对象的几何形状和边界信息。形状特征可以基于网格进行，如果网格的单元格部分或全部被形状覆盖，则形状特征值设置为1，如果单元格位于边界之外，则形状特征值设置为0。
可选地，HOG特征描述图像中局部梯度方向的分布。HOG特征通过统计图像局部区域内梯度方向的分布来描述图像的纹理和形状特征。对于如何提取HOG特征已是非常现有的技术，本发明不再赘述。
可选地，LGP特征是局部纹理特征的一种，基于图像像素的局部梯度方向模式，用于描述图像的细节信息。对于如何提取LGP特征已是非常现有的技术，本发明不再赘述。
S4：对图像特征进行筛选，从多种图像特征中筛选出最佳特征组合。
在一种可能的实施方式中，S4具体为：通过主成分分析法，或者，粒子群优化算法，对图像特征进行筛选，从多种图像特征中筛选出最佳特征组合。
可选地，主成分分析（PCA, Principal Component Analysis）是一种常用的降维技术，通过线性变换将原始特征空间转换到一个新的空间，使得在新空间中数据的方差最大化，从而提取出最重要的特征（即主成分）。通过PCA，可以筛选出图像特征中最有代表性的一组特征，从而减少数据的维度，提高算法的效率。
具体而言，可以先对数据进行标准化处理，之后计算各个图像特征之间的协方差矩阵，求解协方差矩阵的特征值以及特征向量，特征值越大，说明对应的特征向量所指的方向上数据的方差越大，这个方向对应的特征越重要。根据特征值的大小，选择前k个最大的特征值对应的特征向量，作为主要特征，并组成最佳特征组合。
可选地，粒子群优化算法（Particle Swarm Optimization, PSO）是一种基于群体智能的优化算法，模拟了鸟群、鱼群等生物群体的社会行为，通过群体中个体（粒子）之间的信息共享，来寻找问题的最优解。
进一步地，可以构建缺陷检测损失函数：
其中，L表示损失函数，L C 表示交叉熵损失，λ 1表示交叉熵损失的权重系数，L conf 表示置信度损失，λ 2表示置信度损失的权重系数，L IOU 表示检测框损失，λ 3表示检测框损失的权重系数，θ表示模型参数，表示二范数计算，表示正则项，λ 4表示正则项的权重系数。
需要说明的是，交叉熵损失用于优化分类准确性，确保模型能够正确区分缺陷和非缺陷区域。置信度损失用于优化检测结果的置信度评分，使得模型在输出预测时能够对检测结果的置信度进行有效评估。检测框损失用于优化预测框的位置和大小，提高预测框与真实框之间的重叠程度，从而增强模型的定位精度。正则化项用于防止模型过拟合，确保模型在训练数据和测试数据上都能表现良好。
在本发明中，通过综合交叉熵损失、置信度损失、检测框损失和正则化项，构建一个多目标的损失函数，可以全面优化面料缺陷检测模型的性能。这种方法不仅提高了分类和定位的准确性，还增强了模型的鲁棒性和泛化能力，确保模型在不同应用场景中的稳定表现。
其中，本领域技术人员可以根据实际情况设置交叉熵损失的权重系数λ 1、置信度损失的权重系数λ 2、检测框损失的权重系数λ 3以及正则项的权重系数λ 4的大小，本发明不做限定。
具体而言，通过粒子群优化算法对图像特征进行筛选，从多种图像特征中筛选出最佳特征组合的具体步骤包括：
以缺陷检测损失函数的倒数作为粒子群优化算法的适应度函数。
初始化粒子群，粒子群包含多个粒子，每个粒子代表一种特征组合。
计算各个粒子的适应度值。
确定适应度值最高的粒子所在位置为全局最优位置。
根据以下公式，对各个粒子的位置进行更新：
其中，表示第i个粒子在第t+1次迭代时的粒子位置，表示第i个粒子在第t次迭代时的位移向量，exp表示以自然常数为底的指数函数，s表示形状参数，形状参数具体为-1到1之间的随机数，r表示对数螺旋常数，P best 表示全局最优位置，λ表示吸引力因子，表示第t次迭代时的全局最优位置。
在本发明中，引入螺旋机制，可以使粒子的搜索路径更加复杂和多样化。这种复杂的搜索路径有助于粒子群在搜索空间内进行更全面的探索，避免陷入局部最优。
在本发明中，引入吸引力因子，确保了粒子始终受到全局最优位置的引导，保证了搜索的收敛性。
距离向量具体为：
其中，MMI表示互信息，sim表示欧式距离相似度。
在本发明中，通过判断粒子与全局最优位置的相似度（sim）是否小于0.5，可以动态调整粒子的搜索方向和力度。相似度小于0.5时，粒子会直接向全局最优位置移动，确保快速收敛。相似度大于等于0.5时，粒子会根据互信息调整其位置，互信息能够捕捉特征之间的复杂关系，促进粒子在高相似度区域内的细粒度搜索和优化，增强局部开发能力，增加搜索的多样性。
互信息具体为：
其中，H表示信息熵，表示第i个粒子在第t次迭代时的粒子位置的信息熵，表示第t次迭代时的全局最优位置的信息熵，表示第i个粒子在第t次迭代时与全局最优位置的联合信息熵。
需要说明的是，互信息的引入可以有效衡量特征之间的相关性。利用互信息调整粒子的位置，有助于减少特征选择中的冗余，提高所选特征的独立性和信息量。
判断是否达到最大迭代次数。若是，输出适应度值最高的粒子代表的特征组合作为最佳特征组合；否则，返回继续迭代。
在本发明中，通过粒子群优化算法对图像特征进行筛选，可以显著提升模型的性能和效率，减少计算资源的消耗，并自动化特征选择过程。
S5：通过神经网络，提取增强处理后的针织品图像的深度特征。
在一种可能的实施方式中，S5具体包括子步骤S501至S504：
S501：通过卷积层，提取增强处理后的针织品图像的初始特征：
其中，X 1表示初始特征，RELU表示RELU激活函数，Conv1表示第一卷积单元，X表示针织品图像。
需要说明的是，卷积层通过卷积操作能够有效地捕捉图像中的局部特征，如边缘、纹理等。通过多层卷积，网络逐层提取出更高层次、更抽象的特征，有助于识别和分析针织品图像中的复杂模式和缺陷。
可选地，可以设置多种类型的卷积层进行特征提取，通过设置不同大小的卷积核（如3x3、5x5、7x7等），模型能够捕捉到不同尺度的信息。小卷积核可以精细捕捉图像的局部特征，如边缘和纹理；大卷积核则可以捕捉更大范围的上下文信息，帮助模型理解更大的结构或模式。
S502：通过池化层，对提取到的初始特征进行降维处理，得到池化特征：
其中，X 2表示池化特征，maxpolling表示最大池化处理。
需要说明的是，通过池化操作（如最大池化），对初始特征进行降维处理，可以有效减少特征图的尺寸，从而降低计算复杂度。池化层还可以对特征进行浓缩，保留最重要的特征信息，减少噪声和不重要的细节，从而提高后续层对特征的提取和识别能力。
S503：通过注意力层，为各个通道添加注意力权重。
可选地，S503具体包括：
S5031：对特征图进行压缩处理：
其中，y c 表示压缩处理后的c维特征，S表示压缩函数，X表示输入的特征图，H表示特征图的高度，W表示特征图的宽度，xc表示输入的特征图的c维特征。
需要说明的是，在分配注意力权重之前先进行压缩处理，可以有效提取全局信息，确保注意力机制能够更好地捕捉到每个特征通道的整体重要性。
S5032：通过压缩全连接层以及重构全连接层，为各个通道添加注意力权重：
其中，E表示注意力权重函数，Y表示压缩处理后的特征图，W s 表示重构全连接层，W r 表示压缩全连接层，Sigmoid表示Sigmoid激活函数，ReLU表示ReLU激活函数。
S5033：根据注意力权重函数对特征图进行相乘，突出目标区域，抑制无关区域。
需要说明的是，通过对特征图进行注意力权重调整，可以有效突出图像中重要的特征区域，例如针织品表面可能存在的缺陷。这些关键区域的特征在后续的分类或检测任务中起到决定性作用。同时可以抑制那些不重要或无关的特征，这有助于减少噪声对模型的影响，避免模型因为无关信息而产生错误判断。
在本发明中，注意力机制通过为各个通道添加权重，能够让模型自动聚焦于图像中更重要的特征区域。这对于针织品图像中的细小缺陷检测尤为关键，因为注意力机制可以提高模型对这些细节的敏感性，从而提升缺陷检测的准确性和鲁棒性。
S504：通过全连接层，对各个卷积层、池化层输出的特征图进行汇总，得到深度特征。
在本发明中，提取增强处理后的针织品图像的深度特征，可以显著提高模型对图像的理解和判别能力。特别是注意力机制的引入，进一步增强了模型对关键细节的聚焦能力，最终输出的深度特征能为后续的分析和决策提供强有力的支持。
S6：对最佳特征组合中的图像特征以及通过神经网络提取的深度特征进行融合处理，得到融合特征图。
在一种可能的实施方式中，融合特征图具体为：
其中，X mix 表示融合特征图，X i 表示由最佳特征组合中的第i个图像特征构建的特征图，λ i 表示最佳特征组合中的第i个图像特征的权重系数，X h 表示由深度特征构建的特征图，λ h 表示深度特征的权重系数，n表示最佳特征组合中的图像特征总数。
其中，本领域技术人员可以根据实际情况设置各个图像特征以及深度特征的权重系数的大小，本发明不做限定。
需要说明的是，传统图像特征（如形状、纹理、颜色等）可能对某些特定的视觉模式有较好的表达能力，而深度特征通常能捕捉到更高层次、更抽象的语义信息。通过融合这两类特征，模型可以充分利用不同特征类型的优势，提升整体的特征表达能力。
在本发明中，将针织品图像宏观尺度的图像特征与神经网络提取的深度特征进行融合处理，提升特征提取的广泛性与准确性，增强对于微小尺度的缺陷特征提取能力，提升微小尺度的缺陷的检测准确性。
S7：根据融合特征图，检测针织品图像中的缺陷区域。
在一种可能的实施方式中，S7具体包括子步骤S701和S702：
S701：根据融合特征图，计算针织品图像中各个像素点属于缺陷类别的概率：
其中，P表示属于缺陷类别的概率，Softmax表示Softmax激活函数，W表示分类权重矩阵，X mix 表示融合特征图，b表示偏置项。
S702：根据各个像素点属于缺陷类别的概率，确定针织品图像中的缺陷区域。
具体而言，可以采用阈值化的方式，对每个像素点的缺陷概率与阈值进行比较，生成二值掩码。对处理后的二值掩码进行连通区域分析，识别并标记每个连通的缺陷区域。对于每个连通区域，计算其最小外接矩形（bounding box）作为边界框，得到缺陷区域的位置信息和尺寸。
进一步地，根据缺陷检测损失函数，通过梯度下降法，对模型进行训练。
具体而言，通过梯度下降法对模型参数进行优化：
其中，θ t+1表示第t+1次迭代时的模型参数，θ t 表示第t次迭代时的模型参数，η t 表示第t次迭代时的自适应学习率，表示损失函数L对网络参数θ t 的梯度，β表示动量系数。
在本发明中，动量优化能够利用前几次迭代的梯度累积效应，使得在长梯度路径上参数更新的速度加快，特别是在接近收敛点的情况下，动量可以帮助模型更快地跳出局部最优点，朝着全局最优方向前进。引入动量项可以帮助模型在梯度方向不稳定或噪声较大时，减少参数更新过程中的振荡现象，从而使得训练过程更加平滑和稳定。
可选地，自适应学习率的计算方式为：
其中，η min表示学习率最小值，η max表示学习率最大值，T max表示最大迭代次数，cos表示余弦函数。
在本发明中，随着训练过程的进行，学习率从初始的较大值平滑地逐渐减小到较小值。这种平滑的衰减方式能够在训练的早期阶段让模型快速学习全局特征，而在训练的后期则细化学习过程，避免错过微小的最优解。同时，由于余弦函数的性质，学习率的调整非常平滑，避免了学习率突然变化所可能引起的训练不稳定。相较于分段线性衰减或指数衰减，余弦退火能够提供更稳定的训练过程。
本发明实施例提供的技术方案带来的有益效果至少包括：
在本发明中，首先对针织品图像进行增强处理，增强微小尺度缺陷的辨识度，之后将针织品图像宏观尺度的图像特征与神经网络提取的深度特征进行融合处理，提升特征提取的广泛性与准确性，增强对于微小尺度的缺陷特征提取能力，提升微小尺度的缺陷的检测准确性。
参考说明书附图4，示出了本发明提供的一种基于图像处理的针织品缺陷检测系统的结构示意图。
本发明还提供一种基于图像处理的针织品缺陷检测系统20，应用于上述的基于图像处理的针织品缺陷检测方法，包括：
处理器201；
存储器202，所述存储器202上存储有计算机可读指令，所述计算机可读指令被所述处理器201执行时，实现如方法实施例所述的基于图像处理的针织品缺陷检测方法。
本发明提供的基于图像处理的针织品缺陷检测系统20能够执行上述的基于图像处理的针织品缺陷检测方法，并实现相同或相似的技术效果，为避免重复，本发明不再赘述。
本发明实施例提供的技术方案带来的有益效果至少包括：
在本发明中，首先对针织品图像进行增强处理，增强微小尺度缺陷的辨识度，之后将针织品图像宏观尺度的图像特征与神经网络提取的深度特征进行融合处理，提升特征提取的广泛性与准确性，增强对于微小尺度的缺陷特征提取能力，提升微小尺度的缺陷的检测准确性。
应理解，在本发明实施例中的处理器可以是中央处理单元（central processingunit，CPU），该处理器还可以是其他通用处理器、数字信号处理器（digital signalprocessor，DSP）、专用集成电路（application specific integrated circuit，ASIC）、现成可编程门阵列（field programmable gate array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本发明实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（read-only memory，ROM）、可编程只读存储器（programmable ROM，PROM）、可擦除可编程只读存储器（erasable PROM，EPROM）、电可擦除可编程只读存储器（electrically EPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（random access memory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器（random accessmemory，RAM）可用，例如静态随机存取存储器（static RAM，SRAM）、动态随机存取存储器（DRAM）、同步动态随机存取存储器（synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（double data rate SDRAM，DDR SDRAM）、增强型同步动态随机存取存储器（enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（synchlink DRAM，SLDRAM）和直接内存总线随机存取存储器（direct rambus RAM，DR RAM）。
上述实施例，可以全部或部分地通过软件、硬件（如电路）、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本发明中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a,b,或c中的至少一项（个），可以表示：a, b, c, a-b, a-c, b-c, 或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如方法实施例所述的基于图像处理的针织品缺陷检测方法。
本发明提供的一种计算机可读存储介质可以实现上述方法实施例的基于图像处理的针织品缺陷检测方法的步骤和效果，为避免重复，本发明不再赘述。
本发明实施例提供的技术方案带来的有益效果至少包括：
在本发明中，首先对针织品图像进行增强处理，增强微小尺度缺陷的辨识度，之后将针织品图像宏观尺度的图像特征与神经网络提取的深度特征进行融合处理，提升特征提取的广泛性与准确性，增强对于微小尺度的缺陷特征提取能力，提升微小尺度的缺陷的检测准确性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
有以下几点需要说明：
（1）本发明实施例附图只涉及到与本发明实施例涉及到的结构，其他结构可参考通常设计。
（2）为了清晰起见，在用于描述本发明的实施例的附图中，或区域的厚度被放大或缩小，即这些附图并非按照实际的比例绘制。可以理解，当诸如、膜、区域或基板之类的元件被称作位于另一元件“上”或“下”时，该元件可以“直接”位于另一元件“上”或“下”或者可以存在中间元件。
（3）在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合以得到新的实施例。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于图像处理的针织品缺陷检测方法，其特征在于，包括：
S1：获取针织品图像；
S2：对所述针织品图像进行增强处理；
S3：提取增强处理后的针织品图像的多种图像特征；
S4：对所述图像特征进行筛选，从多种所述图像特征中筛选出最佳特征组合；
S5：通过神经网络，提取增强处理后的针织品图像的深度特征；
S6：对最佳特征组合中的图像特征以及通过神经网络提取的深度特征进行融合处理，得到融合特征图；
S7：根据所述融合特征图，检测所述针织品图像中的缺陷区域。
2.根据权利要求1所述的基于图像处理的针织品缺陷检测方法，其特征在于，所述S2具体包括：
S201：获取所述针织品图像的原始直方图；
S202：以所述原始直方图中的平均灰度值作为分割点，将所述原始直方图分割为低子直方图与高子直方图；
所述平均灰度值具体为：
其中，SP表示原始直方图中的平均灰度值，l k 表示第k个灰度级，n k 表示第k个灰度级的像素数量，N表示图像总像素数量，L表示总灰度级；
S203：为所述低子直方图以及所述高子直方图各设置三个限制线：
其中，PL 1表示低子直方图的第一限制线，PL 2表示低子直方图的第二限制线，PL 3表示低子直方图的第三限制线，GR L1表示低子直方图的第一灰度级比率，GR L2表示低子直方图的第二灰度级比率，GR L3表示低子直方图的第三灰度级比率，D L 表示低子直方图中的灰度级比率差异，SP L 表示低子直方图中的平均灰度值，L min表示原始直方图中的最小灰度值，PH 1表示高子直方图的第一限制线，PH 2表示高子直方图的第二限制线，PH 3表示高子直方图的第三限制线，GR H1表示高子直方图的第一灰度级比率，GR H2表示高子直方图的第二灰度级比率，GR H3表示高子直方图的第三灰度级比率，D H 表示高子直方图中的灰度级比率差异，SP H 表示高子直方图中的平均灰度值，L max表示原始直方图中的最大灰度值；
S204：根据所述限制线，对所述低子直方图以及所述高子直方图进行剪裁处理，将低于或等于第一限制线的部分剪裁到第一限制线上，将第一限制线与第三限制线之间的部分剪裁到第二限制线上，将大于或等于第三限制线的部分剪裁到第三限制线上；
S205：计算剪裁处理后的低子直方图以及高子直方图的累积密度函数；
S206：根据剪裁处理后的低子直方图以及高子直方图的累积密度函数，对所述针织品图像进行增强处理。
3.根据权利要求2所述的基于图像处理的针织品缺陷检测方法，其特征在于，所述S206具体为：
根据以下公式，对所述针织品图像进行增强处理：
其中，T(k)表示经过增强处理后第k个灰度级的灰度值，CDF L 表示低子直方图的累积密度函数，CDF L (k)表示低子直方图的第k个灰度级的累积密度，CDF H 表示高子直方图的累积密度函数，CDF H (k)表示高子直方图的第k个灰度级的累积密度，l min表示最小灰度值，l max表示最大灰度值。
4.根据权利要求1所述的基于图像处理的针织品缺陷检测方法，其特征在于，所述图像特征包括：连接特征、统计特征、分布特征、形状特征、HOG特征以及LGP特征。
5.根据权利要求4所述的基于图像处理的针织品缺陷检测方法，其特征在于，所述S4具体为：
通过主成分分析法，或者，粒子群优化算法，对所述图像特征进行筛选，从多种所述图像特征中筛选出最佳特征组合。
6.根据权利要求1所述的基于图像处理的针织品缺陷检测方法，其特征在于，所述S5具体包括：
S501：通过卷积层，提取增强处理后的针织品图像的初始特征：
其中，X 1表示初始特征，RELU表示RELU激活函数，Conv1表示第一卷积单元，X表示针织品图像；
S502：通过池化层，对提取到的所述初始特征进行降维处理，得到池化特征：
其中，X 2表示池化特征，maxpolling表示最大池化处理；
S503：通过注意力层，为各个通道添加注意力权重；
S504：通过全连接层，对各个卷积层、池化层输出的特征图进行汇总，得到所述深度特征。
7.根据权利要求6所述的基于图像处理的针织品缺陷检测方法，其特征在于，所述S503具体包括：
S5031：对特征图进行压缩处理：
其中，y c 表示压缩处理后的c维特征，S表示压缩函数，X表示输入的特征图，H表示特征图的高度，W表示特征图的宽度，xc表示输入的特征图的c维特征；
S5032：通过压缩全连接层以及重构全连接层，为各个通道添加注意力权重：
其中，E表示注意力权重函数，Y表示压缩处理后的特征图，W s 表示重构全连接层，W r 表示压缩全连接层，Sigmoid表示Sigmoid激活函数，ReLU表示ReLU激活函数；
S5033：根据所述注意力权重函数对特征图进行相乘，突出目标区域，抑制无关区域。
8.根据权利要求1所述的基于图像处理的针织品缺陷检测方法，其特征在于，所述融合特征图具体为：
其中，X mix 表示融合特征图，X i 表示由最佳特征组合中的第i个图像特征构建的特征图，λ i 表示最佳特征组合中的第i个图像特征的权重系数，X h 表示由深度特征构建的特征图，λ h 表示深度特征的权重系数，n表示最佳特征组合中的图像特征总数。
9.根据权利要求1所述的基于图像处理的针织品缺陷检测方法，其特征在于，所述S7具体包括：
S701：根据所述融合特征图，计算所述针织品图像中各个像素点属于缺陷类别的概率：
其中，P表示属于缺陷类别的概率，Softmax表示Softmax激活函数，W表示分类权重矩阵，X mix 表示融合特征图，b表示偏置项；
S702：根据各个像素点属于缺陷类别的概率，确定所述针织品图像中的缺陷区域。
10.一种基于图像处理的针织品缺陷检测系统，其特征在于，包括：
处理器；
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求1至9中任一项所述的基于图像处理的针织品缺陷检测方法。
CN202411282313.0A 2024-09-13 2024-09-13 一种基于图像处理的针织品缺陷检测方法及系统 Active CN118781128B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411282313.0A CN118781128B (zh) 2024-09-13 2024-09-13 一种基于图像处理的针织品缺陷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411282313.0A CN118781128B (zh) 2024-09-13 2024-09-13 一种基于图像处理的针织品缺陷检测方法及系统

Publications (2)

Publication Number Publication Date
CN118781128A true CN118781128A (zh) 2024-10-15
CN118781128B CN118781128B (zh) 2024-11-26

Family

ID=92993142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411282313.0A Active CN118781128B (zh) 2024-09-13 2024-09-13 一种基于图像处理的针织品缺陷检测方法及系统

Country Status (1)

Country Link
CN (1) CN118781128B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800650A (zh) * 2018-12-21 2019-05-24 河海大学 一种增强和识别交通标志的方法
CN110163123A (zh) * 2019-04-30 2019-08-23 杭州电子科技大学 一种基于单幅近红外手指图像指纹指静脉融合识别方法
CN111210417A (zh) * 2020-01-07 2020-05-29 创新奇智(北京)科技有限公司 基于卷积神经网络的布匹缺陷检测方法
CN112666604A (zh) * 2020-12-29 2021-04-16 厦门大学 一种微震p波到时拾取方法、设备和存储介质
US20210334587A1 (en) * 2018-09-04 2021-10-28 Boe Technology Group Co., Ltd. Method and apparatus for training a convolutional neural network to detect defects
CN114549670A (zh) * 2022-02-23 2022-05-27 京东方数字科技有限公司 图像处理方法及图像处理系统
US20220358628A1 (en) * 2021-05-10 2022-11-10 Hanwha Techwin Co., Ltd. Thermal camera and method of processing thermal image thereof
CN116152133A (zh) * 2023-04-20 2023-05-23 山东超越纺织有限公司 基于人工智能的混纺缺陷检测方法
CN117132592A (zh) * 2023-10-24 2023-11-28 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于熵融合的工业缺陷检测方法
CN117541535A (zh) * 2023-10-12 2024-02-09 国网河南省电力公司濮阳供电公司 一种基于深度卷积神经网络的输电线路巡检图像检测方法
US20240193752A1 (en) * 2022-12-08 2024-06-13 Hangzhou Dianzi University Fabric defect detection method

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210334587A1 (en) * 2018-09-04 2021-10-28 Boe Technology Group Co., Ltd. Method and apparatus for training a convolutional neural network to detect defects
CN109800650A (zh) * 2018-12-21 2019-05-24 河海大学 一种增强和识别交通标志的方法
CN110163123A (zh) * 2019-04-30 2019-08-23 杭州电子科技大学 一种基于单幅近红外手指图像指纹指静脉融合识别方法
CN111210417A (zh) * 2020-01-07 2020-05-29 创新奇智(北京)科技有限公司 基于卷积神经网络的布匹缺陷检测方法
CN112666604A (zh) * 2020-12-29 2021-04-16 厦门大学 一种微震p波到时拾取方法、设备和存储介质
US20220358628A1 (en) * 2021-05-10 2022-11-10 Hanwha Techwin Co., Ltd. Thermal camera and method of processing thermal image thereof
CN114549670A (zh) * 2022-02-23 2022-05-27 京东方数字科技有限公司 图像处理方法及图像处理系统
US20240193752A1 (en) * 2022-12-08 2024-06-13 Hangzhou Dianzi University Fabric defect detection method
CN116152133A (zh) * 2023-04-20 2023-05-23 山东超越纺织有限公司 基于人工智能的混纺缺陷检测方法
CN117541535A (zh) * 2023-10-12 2024-02-09 国网河南省电力公司濮阳供电公司 一种基于深度卷积神经网络的输电线路巡检图像检测方法
CN117132592A (zh) * 2023-10-24 2023-11-28 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于熵融合的工业缺陷检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
LIU HAN-GIANG: "An interval fuzzy spectral clustering algorithm for image segmentation", 《COMPUTER ENGINEERING AND SCIENCE》, 30 September 2018 (2018-09-30) *
梁金祥;姚桂国;钟晓勇;左保齐;: "织物疵点图像的直方图处理与增强", 丝绸, no. 05, 20 May 2009 (2009-05-20) *
石林军;余粟;: "基于多约束条件下的霍夫变换车道线检测方法", 计算机测量与控制, no. 09, 19 September 2018 (2018-09-19) *
贾亚雯: "自适应裁剪直方图分段均衡化图像增强", 《硕士电子期刊出版信息》, 15 February 2022 (2022-02-15) *
越琳;高丽燕;: "直方图分割耦合裁剪控制均衡化的图像增强算法", 计算机工程与设计, no. 02, 16 February 2017 (2017-02-16) *

Also Published As

Publication number Publication date
CN118781128B (zh) 2024-11-26

Similar Documents

Publication Publication Date Title
Zhao et al. Pyramid feature attention network for saliency detection
Kuen et al. Recurrent attentional networks for saliency detection
WO2019100723A1 (zh) 训练多标签分类模型的方法和装置
CN112651438A (zh) 多类别图像的分类方法、装置、终端设备和存储介质
CN111080628A (zh) 图像篡改检测方法、装置、计算机设备和存储介质
US11893497B2 (en) Method and apparatus for acquiring feature data from low-bit image
CN107784288A (zh) 一种基于深度神经网络的迭代定位式人脸检测方法
CN112132145B (zh) 一种基于模型扩展卷积神经网络的图像分类方法及系统
CN114549913B (zh) 一种语义分割方法、装置、计算机设备和存储介质
CN113536896B (zh) 基于改进Faster RCNN的绝缘子缺陷检测方法、装置及存储介质
CN112101386A (zh) 文本检测方法、装置、计算机设备和存储介质
CN107194414A (zh) 一种基于局部敏感哈希的svm快速增量学习算法
Liu et al. DH-GAN: Image manipulation localization via a dual homology-aware generative adversarial network
CN117876842A (zh) 一种基于生成对抗网络的工业产品异常检测方法及系统
CN118587449A (zh) 一种基于渐进式加权解码的rgb-d显著性检测方法
CN115641317B (zh) 面向病理图像的动态知识回溯多示例学习及图像分类方法
CN114897782A (zh) 基于生成式对抗网络的胃癌病理切片图像分割预测方法
CN118691617A (zh) 一种面料瑕疵检测方法及系统
CN119169258A (zh) 一种多粒度低质量图像目标识别方法及系统
CN118411714A (zh) 一种图像纹理分类方法及系统
CN118298209A (zh) 一种工业多零件自动识别与图像处理方法
CN118072141A (zh) 一种面向低功耗除草机器人的轻量级杂草检测模型及检测方法
CN118781128B (zh) 一种基于图像处理的针织品缺陷检测方法及系统
CN116824330A (zh) 一种基于深度学习的小样本跨域目标检测方法
CN116740808A (zh) 基于深度学习目标检测和图像分类的动物行为识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant